Dataset de clasificación del dolor musculoesquelético crónico en adultos mayores para algoritmos de IA.
Resumen
La Inteligencia Artificial en la salud requiere datos diseñados específicamente para garantizar el funcionamiento de los modelos. Esta investigación tuvo como objetivo configurar un dataset de 256 pacientes con dolor musculoesquelético clasificado en cuatro niveles: Nada, Bajo, Medio y Fuerte. Mediante una metodología de seis fases: 1. Ubicación de fuentes útiles; 2. Selección de clases y criterios; 3. Diseño y aplicación de la entrevista; 4. Grabación de audios; 5. Procesamiento de grabaciones; y 6. Conformación del dataset. Los resultados fueron una base de datos con 256 audios en pacientes de 24 a 84 años. Este dataset puede ser implementado en prototipos de fisioterapia que faciliten su aplicación a pacientes y médicos.
Citas
Borna, S., Haider, C. R., Maita, K. C., Torres, R. A., Avila, F. R., Garcia, J. P., De Sario Velasquez, G. D., McLeod, C. J., Bruce, C. J., Carter, R. E., & Forte, A. J. (2023). A Review of Voice-Based Pain Detection in Adults Using Artificial Intelligence. Bioengineering, 10(4). https://doi.org/10.3390/bioengineering10040500
Declaración de la AMM sobre las consideraciones éticas de las bases de datos de salud y los Biobancos. (2022, July 7). https://www.wma.net/es/policies-post/declaracion-de-la-amm-sobre-las-consideraciones-eticas-de-las-bases-de-datos-de-salud-y-los-biobancos/
El-Tallawy, S. N., Nalamasu, R., Salem, G. I., LeQuang, J. A. K., Pergolizzi, J. V., & Christo, P. J. (2021). Management of Musculoskeletal Pain: An Update with Emphasis on Chronic Musculoskeletal Pain. In Management of Musculoskeletal Pain: An Update with Emphasis on Chronic Musculoskeletal Pain (Vol. 10, Issue 1, pp. 181–209). Adis. https://doi.org/10.1007/s40122-021-00235-2
Guía de curación de datos de investigación para equipos editoriales. (2023). In SciELO. https://wp.scielo.org/wp-content/uploads/Guia_curadoria_es.pdf
Heaton, J., Goodfellow, I., Bengio, Y., & Courville, A. (2018). Deep learning. Program Evolvable Mach, 19, 305–307.
Hernández de la Cruz Mercedes, Ramírez Arcos María Isabel, Morales Morales Cornelio, Evangelista Alcocer Yanet, Zavala Hurtado María, & Valencia Díaz Eleazar Felipe. (2024). “Chronic Pain Audio Dataset.” Data Mendeley. https://doi.org/10.17632/tdkb5rpsch.1
Holz Natalia, Larrouy-Maestri Paulina, & Poeppel David. (2020). El corpus de vocalizaciones de intensidad variable de afecto y emoción (VIVAE) genera una nueva perspectiva sobre la percepción fuera del habla. Zenodo.
Jagadesh N., Meng, Amanya Ketan, Mahendra R., & Manchikanti, L. (2022). The Analysis of Pain Research through the Lens of Artificial Intelligence and Machine Learning. www.painphysicianjournal.com
Meng, H., & Bianchi-Berthouze, N. (2014). Affective state level recognition in naturalistic facial and vocal expressions. IEEE Transactions on Cybernetics, 44(3), 315–318. https://doi.org/10.1109/TCYB.2013.2253768
Oppenheim, A. V., & Schafer, R. W. (2009). Discrete-Time Signal Processing de Oppenheim y Schafer: Vol. ISBN: 978-0131988422.
Rueda Aldana, L. S. (2024). Machine Learning una solución para mejorar la percepción del dolor en pacientes de dolor oncológico al predecir y mejorar la gestión de este síntoma en la práctica médica actual.
Turk, D. C., & Melzack, R. (2011). Handbook of pain assessment. Guilford Press.
Werner, P., Al-Hamadi, A., Limbrecht-Ecklundt, K., Walter, S., Gruss, S., & Traue, H. C. (2017). Automatic Pain Assessment with Facial Activity Descriptors. IEEE Transactions on Affective Computing, 8(3), 286–299. https://doi.org/10.1109/TAFFC.2016.2537327
Xing, Yantao y Yang, Kaiyuan y Lu, Albert y Mackie, Ken y Guo, & Feng. (2024). Sensores y dispositivos guiados por inteligencia artificial para la medicina del dolor personalizada. Sistemas Cyborg y Biónicos, 5. https://spj.science.org/doi/full/10.34133/cbsystems.0160
